时间戳

首页 > 解决方案 > 用pyspark中的中位数替换空值

replace - 用pyspark中的中位数替换空值

问题描述

如何在数据集 df 下方的 Age 和 Height 列中用中位数替换空值。

df = spark.createDataFrame([(1, 'John', 1.79, 28,'M', 'Doctor'),
                        (2, 'Steve', 1.78, 45,'M', None),
                        (3, 'Emma', 1.75, None, None, None),
                        (4, 'Ashley',1.6, 33,'F', 'Analyst'),
                        (5, 'Olivia', 1.8, 54,'F', 'Teacher'),
                        (6, 'Hannah', 1.82, None, 'F', None),
                        (7, 'William',None, 42,'M', 'Engineer'),
                        (None,None,None,None,None,None),
                        (8,'Ethan',1.55,38,'M','Doctor'),
                        (9,'Hannah',1.65,None,'F','Doctor'),
                       (10,'Xavier',1.64,43,None,'Doctor')]
                       , ['Id', 'Name', 'Height', 'Age', 'Gender', 'Profession'])

在用平均值替换缺失值的帖子中 - Spark Dataframe 我使用了 pyspark.ml.feature import Imputer 给出的函数

imputer = Imputer(
inputCols=df.columns, 
outputCols=["{}_imputed".format(c) for c in df.columns])

imputer.fit(df).transform(df)

它给我一个错误。

IllegalArgumentException：“要求失败：列 ID 的类型必须等于以下类型之一：[DoubleType, FloatType] 但实际上是 LongType 类型。”

所以请帮忙。谢谢

标签： replacenullpysparkmedian

解决方案

这可能是一个初始转换错误（我有一些字符串需要浮动）。要将所有 cols 转换为浮点数，请执行以下操作：

from pyspark.sql.functions import col
df = df.select(*(col(c).cast("float").alias(c) for c in df.columns))

那么你应该可以估算。注意：我将我的策略设置为中值而不是平均值。

from pyspark.ml.feature import Imputer

imputer = Imputer(
    inputCols=df.columns, 
    outputCols=["{}_imputed".format(c) for c in df.columns]
    ).setStrategy("median")

# Add imputation cols to df
df = imputer.fit(df).transform(df)

推荐阅读